图像识别作为计算机视觉领域的一项重要分支,一直是热门研究之一,其研究成果也备受关注。随着人工智能的发展,基于深度学习的图像识别技术日新月异,一些深度学习算法在图像识别任务上取得了惊人的效果,但现实场景中遮挡物的干扰仍然是图像识别所面临的问题。比如人脸识别过程中墨镜和口罩对于面部的遮挡,稀缺野生动物识别追踪过程中树叶、石头对目标物的遮挡等,都会使得图像丢失特征性极强的信息并且引入噪声干扰,导致识别准确率严重下降。因此解决有遮挡情况下的图像识别问题极具现实意义。本文针对基于深度学习的有遮挡图像识别算法展开研究,通过使用注意力模型,利用自监督约束等方法来提高有遮挡图像的识别准确率,本文的主要研究工作如下:（1）本文从注意力机制的原理出发,提出使用注意力模型用于有遮挡图像的识别任务,将具有空间和通道双重注意力模块的注意力机制CBAM嵌入深度网络模型Res Net18和VGG16中,学习到特征图空间上的关系以及通道间关系,增加模型对于重要特征的权重,减少遮挡特征的权重,从空间和通道两个角度对特征进行有效挖掘。通过实验表明注意力模型可以有效提高有遮挡图像识别任务的精度。（2）本文提出了一种利用自监督约束的有遮挡图像识别方法。利用孪生网络的双通道结构,在通道间加入基于距离和基于HSIC两种不同的自监督约束,将其作为约束项加入原本的有监督目标函数中,使得遮挡图像与同一类别的非遮挡图像在深度特征层面分别产生接近和强相关性的特征表示,自监督约束可以帮助有监督分类提取出没有遮挡噪声干扰且更利于识别,更具有判别力的分类特征。同时本文还针对HSIC的优化设计了可行的数据加载方式。通过实验表明这两种自监督约束都可以提高有遮挡图像识别任务的准确率,并且从距离角度进行约束和从相关性角度进行约束有其各自的优势。（3）本文探究了融合两种自监督约束对于识别的影响,将基于欧式距离的自监督约束和基于HSIC的自监督约束进行了结合,通过距离和相关性两种角度一起对同类别的遮挡图像与非遮挡图像间进行约束,探究融合后的方法是使得两者之间形成优势互补还是使得两者相互冲突。最后实验表明了基于融合的方法可以有效提高有遮挡图像识别任务的准确率,并且从距离和相关性两个角度进行约束相比于单一角度的自监督约束有一定的优势,但是提升较小且不稳定。